Na última década, Conjuntos Suavizados Iterativos se tornaram o método padrão para a realização de ajuste de histórico de reservatórios de petróleo. Entretanto, sua aplicabilidade é limitada em reservatórios complexos. Estas limitações são relacionadas a duas das principais hipóteses durante a formulação destes métodos baseados em um conjunto de modelos: o uso de um conjunto de tamanho limitado para representar as distribuições e a hipótese de Gaussianidade em ambas as incertezas. Infelizmente, a hipótese de Gaussianidade é significativa em reservatórios carbonáticos onde muitos parâmetros incertos não possuem uma distribuição Gaussiana, como por exemplo a permeabilidade da matriz contendo camadas Super-k camadas muito finas na direção vertical com uma permeabilidade extremamente elevada. Os métodos padrão para contornar os problemas relacionados com o tamanho do conjunto limitado e a não-Gaussianidade são Localização aplicada ao ganho de Kalman e parametrização, respectivamente. Localização aplicada ao ganho de Kalman refere-se à redução do impacto do ganho de Kalman para reduzir o efeito das correlações espúrias durante a atualização dos parâmetros incertos, enquanto a parametrização envolve um mapeamento do parâmetro não-Gaussiano para um domínio Gaussiano antes da etapa de atualização, então mapeando o parâmetro atualizado para seu domínio original para ser utilizado no simulador de reservatórios. Estas limitações motivaram a avaliação e desenvolvimento de métodos específicos para melhorar o processo de assimilação de dados em reservatórios carbonáticos de larga-escala. Um método de localização adaptativo foi desenvolvido, resultando em uma melhor preservação da variância do conjunto a posteriori, consequentemente reduzindo o efeito do colapso do conjunto. Um novo método de parametrização também foi avaliado, usando uma rede adversária generativa, em conjunto com uma técnica de aumento de dados, demonstrando melhorar no desempenho de treinamento mesmo com um conjunto de tamanho limitado. Finalmente, ambos os métodos foram integrados em uma assimilação de dados em duas etapas, aplicada ao benchmark UNISIM-II-H, resultando em resultados satisfatórios em termos da preservação das características geológicas após assimilação.

In last decade, iterative ensemble smoother methods have become the standard approach to perform history matching of petroleum reservoirs. However, their applicability is limited when it comes to more complex reservoirs. These limitations can be summarized by two main assumptions during the ensemble-based methods formulation: the use of an ensemble with finite size to represent the distributions and the assumption of Gaussianity in both parameter and data uncertainties. Unfortunately, Gaussian assumption is particularly significant in carbonate reservoirs where many uncertain parameters are non-Gaussian, such as matrix permeability containing Super-k layers - very thin layers with extremely high permeability. The standard approaches in the petroleum literature for handling the limited ensemble size and non-Gaussianity are Kalman gain localization and parameterization, respectively. Kalman-gain localization involves tapering the Kalman-gain matrix to reduce the effect of spurious correlations during the uncertain parameter updates, while parameterization involves mapping non-Gaussian parameters to a Gaussian field before the update and then mapping them back to the original domain to forward the ensemble through the reservoir simulator. These limitations motivated the evaluation and development of specific methods to improve the data assimilation workflow in large-scale carbonate reservoirs. An adaptive localization method was developed, which showed an improvement in posterior ensemble preservation, consequently reducing the ensemble collapse effect. A novel parameterization method was also applied using a generative adversarial network with discriminator regularization, combined with a data augmentation technique, which demonstrated improved network performance even with a small ensemble. Finally, both methods were integrated into a two-step data assimilation workflow applied to the UNISIM-II-H benchmark, showing satisfactory results in terms of preserving geological features after the assimilation.